CN110662245A - 基于深度学习的基站负荷预警方法及装置 - Google Patents
基于深度学习的基站负荷预警方法及装置 Download PDFInfo
- Publication number
- CN110662245A CN110662245A CN201810690152.7A CN201810690152A CN110662245A CN 110662245 A CN110662245 A CN 110662245A CN 201810690152 A CN201810690152 A CN 201810690152A CN 110662245 A CN110662245 A CN 110662245A
- Authority
- CN
- China
- Prior art keywords
- base station
- data
- early warning
- index data
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种基于深度学习的基站负荷预警方法及装置,所述方法包括:将获取到的历史指标数据输入至预设深度记忆神经网络模型,输出未来预设时间单位内的预测指标数据;根据所述预测指标数据对基站负荷进行预警。本发明提供的基于深度学习的基站负荷预警方法及装置,将深度记忆神经网络与传统时间序列相结合对关键指标进行预测,既克服了较长时间间隔预测值偏离大的弱点,又避免了干扰项对预测结果的影响,使基站负荷预警系统更准确提供优化建议。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种基于深度学习的基站负荷预警方法及装置。
背景技术
随着网络建设的不断发展,多种网络制式共存导致存量设备越来越多,维护难度不断攀高,网络质量下降、用户感知变差等问题日益凸显。如何及时预防网络性能下降、给出网络调整和优化建议,进而提升用户感知,成为重要课题。
现有技术中,基站负荷监控通常是统计小区的时段最大在线用户数,以此来评估小区的负荷情况,按预先设定的预警门限,进行报警。例如,小区的最大在线用户为400,则当在线用户达到280时触发黄色预警,当在线用户达到360时触发红色预警。而为了避免基站出现负荷告警,导致投诉激增,基站维护以日常故障处理和上站巡检为主,日常故障处理主要以故障工单、分类告警级别和关键指标监控为主要手段。日常的上站巡检主要是定期对基站运行环境和天馈系统进行检查。
但是,现有技术中的此类维护手段主要针对已发生故障的基站,对客户感知和投诉反应时效性较差;日常巡检相比工单形式的故障处理更为主动,但是此类检查所针对的基站主设备本身的性能检查内容较少,周期较长,耗费人力物力较大,没有针对性,并且不能对基站长期的运行状态进行跟踪反馈。
发明内容
本发明的目的是提供一种基于深度学习的基站负荷预警方法及装置,解决了现有技术中基站负荷的预警方式只能事后预警,不能有针对性的提前预警的技术问题。
为了解决上述技术问题,一方面,本发明提供一种基于深度学习的基站负荷预警方法,其特征在于,包括:
将获取到的历史指标数据输入至预设深度记忆神经网络模型,输出未来预设时间单位内的预测指标数据;
根据所述预测指标数据对基站负荷进行预警。
另一方面,本发明提供一种基于深度学习的基站负荷预警装置,其特征在于,包括:
预测模块,用于将获取到的历史指标数据输入至预设深度记忆神经网络模型,输出未来预设时间单位内的预测指标数据;
预警模块,用于根据所述预测指标数据对基站负荷进行预警。
再一方面,本发明提供一种用于基于深度学习的基站负荷预警的电子设备,包括:
存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述的方法。
又一方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法。
本发明提供的基于深度学习的基站负荷预警方法及装置,将深度记忆神经网络与传统时间序列相结合对关键指标进行预测,既克服了较长时间间隔预测值偏离大的弱点,又避免了干扰项对预测结果的影响,使基站负荷预警系统更准确提供优化建议。
附图说明
图1为依照本发明实施例的基于深度学习的基站负荷预警方法示意图;
图2为依照本发明实施例的TensorFlow数据流图示意图;
图3为依照本发明实施例的基于深度学习的基站负荷预警装置示意图;
图4为本发明实施例提供的用于基于深度学习的基站负荷预警的电子设备的结构示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为依照本发明实施例的基于深度学习的基站负荷预警方法示意图,如图1所示,本发明实施例提供一种基于深度学习的基站负荷预警方法,所述方法包括:
步骤S101、将获取到的历史指标数据输入至预设深度记忆神经网络模型,输出未来预设时间单位内的预测指标数据;
步骤S102、根据所述预测指标数据对基站负荷进行预警。
具体的,首先,获取历史指标数据,获取到的历史指标数据的时间长度可以根据实际情况设置,例如,可以获取过去一个月的历史指标数据,也可以获取过去一年的历史指标数据。
然后,将历史指标数据输入至预设深度记忆神经网络模型,输出未来预设时间单位内的预测指标数据,预设深度记忆神经网络模型预先经过训练,预设时间单位的长度由训练深度记忆神经网络模型的过程决定,可以根据实际情况设置,例如,可以是一个小时、一天或者十天,也可以是一个月。
最后,根据预测指标数据对基站负荷进行预警。当预测指标数据超过预设阈值则启动预警,若预测指标数据未超过预设阈值则不做预警。
本发明实施例提供的基于深度学习的基站负荷预警方法,将深度记忆神经网络与传统时间序列相结合对关键指标进行预测,既克服了较长时间间隔预测值偏离大的弱点,又避免了干扰项对预测结果的影响,使基站负荷预警系统更准确提供优化建议。
在上述实施例的基础上,进一步地,所述预设深度记忆神经网络模型通过如下步骤获取:
将所述历史指标数据按照所述预设时间单位分成若干个连续的时序数据;
选择所述若干个连续的时序数据中的N个连续的时序数据对深度记忆神经网络模型进行训练,获取所述预设深度记忆神经网络模型,其中,前(N-1)个连续的时序数据作为训练数据,第N个时序数据作为验证数据。
具体的,首先,对获取到的历史指标数据进行处理,将多种历史指标数据类型转化为张量,选择时间粒度可以为小时,天,月或年,这里我们以天为时间粒度,转化后的数据如下:
tensor=[[[1018.83],[99.94],[20]],[[994.19],[99.73],[10]],[[976.66],[97.82],[20]]]。
然后,生成模型训练数据集。用t-2,t-1,t天的历史指标数据张量进行模型训练,然后用t+1天对结果进行验证。数据集格式如下:X为训练数据,Y为验证数据。
表1模型训练数据集
深度记忆神经网络模型结构的确定和调整方法如下:
(1)深度记忆神经网络参数设置。在构建模型和训练之前,我们首先需要设置一些参数。可以使用tf.flags来进行全局的参数设置。
(2)PTBModel负责TensorFlow中模型的构建和各种操作(op)的定义。PTBModel是核心部分。其又可以分成几个小部分:多层深度记忆神经网络结构的构建,要想给模型更强的表达能力,可以添加多层深度记忆神经网络来处理数据。第一层的输出作为第二层的输入,以此类推;输入预处理;网络的循环;损失函数计算;梯度计算和修剪。
(3)run_epoch函数,负责将所有文本内容分批喂给模型(PTBModel)训练。
(4)main函数,负责将第二部分的run_epoch运行多遍,也就是说,文本中的每个内容都会被重复多次的输入到模型中进行训练。随着训练的进行,会适当的进行一些参数的调整。
例如,将上述数据集按4:1的比例随机拆分为训练集和验证集,这是为了防止过度拟合。然后将数据的X列作为参数导入模型便可得到预测值,与实际的Y值相比便可得到该模型的优劣。从而完成对模型的训练。
本发明实施例提供的基于深度学习的基站负荷预警方法,将深度记忆神经网络与传统时间序列相结合对关键指标进行预测,既克服了较长时间间隔预测值偏离大的弱点,又避免了干扰项对预测结果的影响,使基站负荷预警系统更准确提供优化建议。
在以上各实施例的基础上,进一步地,所述预设深度记忆神经网络模型的编程范式为数据流图。
具体的,本发明引入TensorFlow深度学习库来承载深度记忆神经网络和时间序列混合算法,它采用了更适合描述深度神经网络模型的编程范式—数据流图。相比使用更广泛的命令式编程范式,基于声明式编程的数据流图的好处是开发速度快、代码可读性强、引用透明、预编译并行优化和内存复用等,这些都有助于定义数学函数或算法模型。
图2为依照本发明实施例的TensorFlow数据流图示意图,如图2所示,TensorFlow数据流图中的所有数据均以张量的形式表示,它的抽象特性使其几乎能够表示所有的数据类型。因此,所有输入数据流图中的数据都需要转换为张量。数据类型示例如表2所示。
表2数据类型示例
操作是TensorFlow的模型载体,模型由数据流图中的一个个节点组成,节点按照功能不同分为三种:
(1)计算节点:无状态操作,主要负责张量间的计算;
(2)存储节点:有状态操作,通常用来存储模型参数;
(3)数据节点:占位符操作,定义输入数据的属性。
以简单的一元线性回归模型y=matmul(x,W)+b为例,它的数据流图由计算节点(矩阵乘法操作和加法操作)、存储节点(权重W和偏置b)和数据节点(自变量x)组成。
本发明实施例提供的基于深度学习的基站负荷预警方法,将深度记忆神经网络与传统时间序列相结合对关键指标进行预测,既克服了较长时间间隔预测值偏离大的弱点,又避免了干扰项对预测结果的影响,使基站负荷预警系统更准确提供优化建议。
在以上各实施例的基础上,进一步地,所述历史指标数据至少包括告警数据、性能指标数据和客户投诉数据中的任一种。
具体的,根据网络运营实际需求,依托大数据平台丰富的数据源及强大的运算能力建立一个负荷预警系统,该系统以GIS地图为基础,以不同的时间粒度和不同的维度(小区、基站、热点地区)为组合载体,分别呈现性能指标、告警、基站配置信息。实现基站高负荷的预测与分析,以及TOPn站点的排名与输出,针对负荷等级评分高的站点,给予网络优化的支撑与指导。
历史指标数据至少包括告警数据、性能指标数据和客户投诉数据中的任一种。基于对告警数据、性能指标和客户投诉等多个数据源的融合建模,结合大数据和人工智能算法对基站负荷进行预测。
本发明实施例提供的基于深度学习的基站负荷预警方法,将深度记忆神经网络与传统时间序列相结合对关键指标进行预测,既克服了较长时间间隔预测值偏离大的弱点,又避免了干扰项对预测结果的影响,使基站负荷预警系统更准确提供优化建议。
在以上各实施例的基础上,进一步地,所述性能指标数据至少包括上行资源利用率、下行资源利用率、上行流量、下行流量和有数据传输的无线资源控制数量中的任一种。
具体的,以小区为单位采集历史指标数据时,性能指标数据的主要指标为:上/下行资源利用率、上/下行流量、有数据传输的RRC数等。
本发明实施例提供的基于深度学习的基站负荷预警方法,将深度记忆神经网络与传统时间序列相结合对关键指标进行预测,既克服了较长时间间隔预测值偏离大的弱点,又避免了干扰项对预测结果的影响,使基站负荷预警系统更准确提供优化建议。
在以上各实施例的基础上,进一步地,所述根据所述预测指标数据对基站负荷进行预警具体为:
将所述预测指标数据输入至预设知识库模型,输出优化和扩容建议;
根据所述优化和扩容建议调整相应的基站参数,以降低基站的负荷。
具体的,基站常规负荷(关键指标)趋势预测是对关键指标未来一段时间内的走势进行预测,并判断是否超过门限。在实际工作中利用历史小区指标数据预测下一周期小区指标数据,并对预测指标数据进行核实,将预测指标数据输入至预设知识库模型,输出优化和扩容建议,即,经确认达到扩容标准,才会输出扩容建议。小区扩容的核定逻辑为:[“有效RRC用户数达到门限”且“上行利用率达到门限”且“上行流量达到门限”]或[“有效RRC用户数达到门限”且“下行利用率达到门限(PDSCH或PDCCH)”且“下行流量达到门限”]。按照大、中、小包的小区分类确定标准,当小区自忙时达到门限时实施载频扩容。小区分类标准及扩容门限如表3所示。
表3小区分类标准及扩容门限
本发明实施例提供的基于深度学习的基站负荷预警方法,将深度记忆神经网络与传统时间序列相结合对关键指标进行预测,既克服了较长时间间隔预测值偏离大的弱点,又避免了干扰项对预测结果的影响,使基站负荷预警系统更准确提供优化建议。
在以上各实施例的基础上,进一步地,所述基站参数至少包括天馈、邻区、功率和覆盖范围中的任一种。
具体的,预设知识库模型输出的优化和扩容建议中会给出相应的网络优化调整建议措施,以消除基站负荷告警。网络优化调整建议的主要手段有载频扩容、调整天馈下倾角/方向角、发射功率、邻区参数、重选和切换参数等。
将预测得到的指标数据与LTE网络优化相结合,即预测后劣化的指标触发预警门限,然后根据不同的指标值触发不同类型的优化调整,其中优化内容有:覆盖类优化、吞吐率优化、掉话类优化、接入失败优化、切换类优化、时延类优化等若干方面的专项优化。针对不对类型的专项优化内容,构建一个强相关知识库模型,输出具体优化建议,如干扰排查、天馈调整、覆盖优化、邻区优化和系统参数调整等。
以切换类优化为例,将网络切换成功率关联映射至KPI指标TAU成功率、S1切换成功率、X2切换成功率、系统间切换成功率,观察关联KPI指标劣化情况,对劣化KPI指标进行分析,确定质差原因;若为核心网和终端问题则转至相关负责专业处理;若为无线侧原因,则判断小区参数和邻区关系是否存在问题。
本发明采用基于X86服务器的分布式集群来存储和计算相关数据,前台负责功能展示,为方便用户业务访问,系统引入GIS地图来展现主要功能。
界面左侧呈现基站关键指标,界面右侧接入GIS地图。蓝色折线为历史数据,红色折线为预测数据。
本发明不同于传统网络优化,运用大数据和混合算法对基站负荷预评估,对相应的高负荷基站输出优化和扩容建议,提高了投诉处理效率,同时提升了网络质量和客户感知。
基于对告警数据、性能指标和客户投诉等多个数据源的融合建模,结合大数据和人工智能算法对基站负荷进行预测,通过关联相关知识库模型对网络质量问题进行定位和定界,可提前对网络性能进行预判,是本发明区别于日常网络优化的不同之处。此方法也可以作为高负荷基站的扩容依据,具有一定的新颖性,而且预测结果与实际趋势相符,为运维人员提供了一种分析方法,提高了工作效率,所以该方法需要保护。
本发明实施例能够对基站、小区性能下降进行预警,对预测到的性能指标劣化严重的小区进行重点分析和输出优化建议。在对其中43个不同场景区域进行统计时发现,维护工程师共发现高负荷小区87个,实际确认存在问题小区为79个,准确率达到90.8%。将深度记忆神经网络与传统时间序列相结合对关键指标进行预测,既克服了较长时间间隔预测值偏离大的弱点,又避免了干扰项对预测结果的影响,使基站负荷预警系统更准确提供优化建议。
图3为依照本发明实施例的基于深度学习的基站负荷预警装置示意图,如图3所示,本发明实施例提供一种基于深度学习的基站负荷预警装置,用于完成上述实施例中所述的方法,具体包括预测模块301和预警模块302,其中,
预测模块301用于将获取到的历史指标数据输入至预设深度记忆神经网络模型,输出未来预设时间单位内的预测指标数据;
预警模块302用于根据所述预测指标数据对基站负荷进行预警。
本发明实施例提供一种基于深度学习的基站负荷预警装置,用于完成上述实施例中所述的方法,通过本实施例提供的装置完成上述实施例中所述的方法的具体步骤与上述实施例相同,此处不再赘述。
本发明实施例提供的基于深度学习的基站负荷预警装置,将深度记忆神经网络与传统时间序列相结合对关键指标进行预测,既克服了较长时间间隔预测值偏离大的弱点,又避免了干扰项对预测结果的影响,使基站负荷预警系统更准确提供优化建议。
图4为本发明实施例提供的用于基于深度学习的基站负荷预警的电子设备的结构示意图,如图4所示,所述设备包括:处理器401、存储器402和总线403;
其中,处理器401和存储器402通过所述总线403完成相互间的通信;
处理器401用于调用存储器402中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:
将获取到的历史指标数据输入至预设深度记忆神经网络模型,输出未来预设时间单位内的预测指标数据;
根据所述预测指标数据对基站负荷进行预警。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:
将获取到的历史指标数据输入至预设深度记忆神经网络模型,输出未来预设时间单位内的预测指标数据;
根据所述预测指标数据对基站负荷进行预警。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:
将获取到的历史指标数据输入至预设深度记忆神经网络模型,输出未来预设时间单位内的预测指标数据;
根据所述预测指标数据对基站负荷进行预警。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置及设备等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于深度学习的基站负荷预警方法,其特征在于,包括:
将获取到的历史指标数据输入至预设深度记忆神经网络模型,输出未来预设时间单位内的预测指标数据;
根据所述预测指标数据对基站负荷进行预警。
2.根据权利要求1所述的方法,其特征在于,所述预设深度记忆神经网络模型通过如下步骤获取:
将所述历史指标数据按照所述预设时间单位分成若干个连续的时序数据;
选择所述若干个连续的时序数据中的N个连续的时序数据对深度记忆神经网络模型进行训练,获取所述预设深度记忆神经网络模型,其中,前(N-1)个连续的时序数据作为训练数据,第N个时序数据作为验证数据。
3.根据权利要求1所述的方法,其特征在于,所述预设深度记忆神经网络模型的编程范式为数据流图。
4.根据权利要求1所述的方法,其特征在于,所述历史指标数据至少包括告警数据、性能指标数据和客户投诉数据中的任一种。
5.根据权利要求4所述的方法,其特征在于,所述性能指标数据至少包括上行资源利用率、下行资源利用率、上行流量、下行流量和有数据传输的无线资源控制数量中的任一种。
6.根据权利要求1所述的方法,其特征在于,所述根据所述预测指标数据对基站负荷进行预警具体为:
将所述预测指标数据输入至预设知识库模型,输出优化和扩容建议;
根据所述优化和扩容建议调整相应的基站参数,以降低基站的负荷。
7.根据权利要求6所述的方法,其特征在于,所述基站参数至少包括天馈、邻区、功率和覆盖范围中的任一种。
8.一种基于深度学习的基站负荷预警装置,其特征在于,包括:
预测模块,用于将获取到的历史指标数据输入至预设深度记忆神经网络模型,输出未来预设时间单位内的预测指标数据;
预警模块,用于根据所述预测指标数据对基站负荷进行预警。
9.一种用于基于深度学习的基站负荷预警的电子设备,其特征在于,包括:
存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810690152.7A CN110662245B (zh) | 2018-06-28 | 2018-06-28 | 基于深度学习的基站负荷预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810690152.7A CN110662245B (zh) | 2018-06-28 | 2018-06-28 | 基于深度学习的基站负荷预警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110662245A true CN110662245A (zh) | 2020-01-07 |
CN110662245B CN110662245B (zh) | 2022-12-09 |
Family
ID=69026498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810690152.7A Active CN110662245B (zh) | 2018-06-28 | 2018-06-28 | 基于深度学习的基站负荷预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110662245B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112532717A (zh) * | 2020-11-25 | 2021-03-19 | 四川易诚智讯科技有限公司 | 基于stm32单片机及长短时记忆网络的生产过程安全监控方法 |
CN113162780A (zh) * | 2020-01-22 | 2021-07-23 | 中国移动通信集团山东有限公司 | 实时网络拥塞分析方法、装置、计算机设备和存储介质 |
CN113381869A (zh) * | 2020-03-09 | 2021-09-10 | 中国电信股份有限公司 | 故障根因分析方法和装置、计算机可读存储介质 |
CN113852513A (zh) * | 2020-06-28 | 2021-12-28 | 北京市天元网络技术股份有限公司 | 网络容量预测方法及装置 |
CN113891342A (zh) * | 2020-07-02 | 2022-01-04 | 中国移动通信集团设计院有限公司 | 基站巡检方法、装置、电子设备及存储介质 |
CN114071661A (zh) * | 2020-07-31 | 2022-02-18 | 大唐移动通信设备有限公司 | 一种基站节能控制方法和装置 |
CN114615698A (zh) * | 2020-12-09 | 2022-06-10 | 中国移动通信集团四川有限公司 | 一种ibcf互通网关负荷调整方法和装置 |
CN114885336A (zh) * | 2022-06-09 | 2022-08-09 | 中国联合网络通信集团有限公司 | 干扰协调方法、装置及存储介质 |
CN115442832A (zh) * | 2021-06-03 | 2022-12-06 | 中国移动通信集团四川有限公司 | 投诉问题定位方法、装置及电子设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102665259A (zh) * | 2012-05-07 | 2012-09-12 | 中国联合网络通信集团有限公司 | 基站节能模式控制方法、装置和系统 |
CN104168596A (zh) * | 2014-09-03 | 2014-11-26 | 重庆邮电大学 | 用于lte网络中基于移动用户分组设置切换参数的移动优化方法 |
CN105611545A (zh) * | 2014-11-19 | 2016-05-25 | 中兴通讯股份有限公司 | 基站干扰协调方法、装置和基站干扰协调系统 |
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
-
2018
- 2018-06-28 CN CN201810690152.7A patent/CN110662245B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102665259A (zh) * | 2012-05-07 | 2012-09-12 | 中国联合网络通信集团有限公司 | 基站节能模式控制方法、装置和系统 |
CN104168596A (zh) * | 2014-09-03 | 2014-11-26 | 重庆邮电大学 | 用于lte网络中基于移动用户分组设置切换参数的移动优化方法 |
CN105611545A (zh) * | 2014-11-19 | 2016-05-25 | 中兴通讯股份有限公司 | 基站干扰协调方法、装置和基站干扰协调系统 |
US20170091615A1 (en) * | 2015-09-28 | 2017-03-30 | Siemens Aktiengesellschaft | System and method for predicting power plant operational parameters utilizing artificial neural network deep learning methodologies |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113162780A (zh) * | 2020-01-22 | 2021-07-23 | 中国移动通信集团山东有限公司 | 实时网络拥塞分析方法、装置、计算机设备和存储介质 |
CN113162780B (zh) * | 2020-01-22 | 2023-04-25 | 中国移动通信集团山东有限公司 | 实时网络拥塞分析方法、装置、计算机设备和存储介质 |
CN113381869B (zh) * | 2020-03-09 | 2022-11-29 | 中国电信股份有限公司 | 故障根因分析方法和装置、计算机可读存储介质 |
CN113381869A (zh) * | 2020-03-09 | 2021-09-10 | 中国电信股份有限公司 | 故障根因分析方法和装置、计算机可读存储介质 |
CN113852513A (zh) * | 2020-06-28 | 2021-12-28 | 北京市天元网络技术股份有限公司 | 网络容量预测方法及装置 |
CN113852513B (zh) * | 2020-06-28 | 2022-11-22 | 北京市天元网络技术股份有限公司 | 网络容量预测方法及装置 |
CN113891342A (zh) * | 2020-07-02 | 2022-01-04 | 中国移动通信集团设计院有限公司 | 基站巡检方法、装置、电子设备及存储介质 |
CN113891342B (zh) * | 2020-07-02 | 2023-08-15 | 中国移动通信集团设计院有限公司 | 基站巡检方法、装置、电子设备及存储介质 |
CN114071661A (zh) * | 2020-07-31 | 2022-02-18 | 大唐移动通信设备有限公司 | 一种基站节能控制方法和装置 |
CN112532717A (zh) * | 2020-11-25 | 2021-03-19 | 四川易诚智讯科技有限公司 | 基于stm32单片机及长短时记忆网络的生产过程安全监控方法 |
CN114615698A (zh) * | 2020-12-09 | 2022-06-10 | 中国移动通信集团四川有限公司 | 一种ibcf互通网关负荷调整方法和装置 |
CN115442832A (zh) * | 2021-06-03 | 2022-12-06 | 中国移动通信集团四川有限公司 | 投诉问题定位方法、装置及电子设备 |
CN115442832B (zh) * | 2021-06-03 | 2024-04-09 | 中国移动通信集团四川有限公司 | 投诉问题定位方法、装置及电子设备 |
CN114885336A (zh) * | 2022-06-09 | 2022-08-09 | 中国联合网络通信集团有限公司 | 干扰协调方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110662245B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110662245B (zh) | 基于深度学习的基站负荷预警方法及装置 | |
CN111132190A (zh) | 基站负荷预警方法、装置 | |
Hadi et al. | Big data analytics for wireless and wired network design: A survey | |
CN111726833B (zh) | 一种网络负载均衡方法、装置和存储介质 | |
CN108924198B (zh) | 一种基于边缘计算的数据调度方法、装置及系统 | |
US20170364819A1 (en) | Root cause analysis in a communication network via probabilistic network structure | |
US10966108B2 (en) | Optimizing radio cell quality for capacity and quality of service using machine learning techniques | |
Divakaran et al. | Technical study on 5G using soft computing methods | |
US11818684B2 (en) | User equipment tracking and paging area selection in wireless communication systems | |
CN105636056A (zh) | 一种频谱资源自优化的节能方法、装置和系统 | |
Shubyn et al. | Deep learning based adaptive handover optimization for ultra-dense 5G mobile networks | |
CN104205666A (zh) | 用于无线系统的功率动态联合分配以及用户调度的方法和系统 | |
NoroozOliaee et al. | Analyzing cognitive network access efficiency under limited spectrum handoff agility | |
US20220407914A1 (en) | Method, system and device for cdn scheduling, and storage medium | |
Fu et al. | Traffic prediction-enabled energy-efficient dynamic computing resource allocation in cran based on deep learning | |
US11310125B2 (en) | AI-enabled adaptive TCA thresholding for SLA assurance | |
CN115543577A (zh) | 基于协变量的Kubernetes资源调度优化方法、存储介质及设备 | |
CN108966237B (zh) | 确定退频评估标准的方法、装置及退频评估方法、装置 | |
Asuquo et al. | Optimized channel allocation in emerging mobile cellular networks | |
CN111885618A (zh) | 一种网络性能优化方法和装置 | |
Wenjing et al. | Centralized management mechanism for cell outage compensation in LTE networks | |
CN112787878A (zh) | 一种网络指标的预测方法及电子设备 | |
US20230421638A1 (en) | Methods and internet of things (iot) systems for operation and management of smart gas data centers | |
CN105323828A (zh) | 一种多模终端网络接入选择方法及终端 | |
Huang et al. | Achieving fair LTE/Wi-Fi coexistence with real-time scheduling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |